Reconstrucción tridimensional de todo el pulmón con nódulos pulmonares múltiples tempranos

Resumen

Este estudio presenta un método de reconstrucción tridimensional (3D) para todo el pulmón en pacientes con nódulos pulmonares múltiples tempranos. Ofrece una visualización completa de la distribución de los nódulos y su interacción con el tejido pulmonar, lo que simplifica la evaluación del diagnóstico y el pronóstico de estos pacientes.

Resumen

Para los pacientes con nódulos pulmonares múltiples tempranos, es esencial, desde una perspectiva diagnóstica, determinar la distribución espacial, el tamaño, la ubicación y la relación con el tejido pulmonar circundante de estos nódulos en todo el pulmón. Esto es crucial para identificar la lesión primaria y desarrollar planes de tratamiento más científicamente fundamentados para los médicos. Sin embargo, los métodos de reconocimiento de patrones basados en visión artificial son susceptibles a falsos positivos y falsos negativos y, por lo tanto, no pueden satisfacer plenamente las demandas clínicas en este sentido. Los métodos de visualización basados en la proyección de máxima intensidad (MIP) pueden ilustrar mejor los nódulos pulmonares locales e individuales, pero carecen de una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos pulmonares múltiples.

Por lo tanto, este estudio propone un método de reconstrucción 3D de todo el pulmón. Extrae el contorno 3D del pulmón utilizando tecnología de procesamiento de imágenes médicas en el fondo de todo el pulmón y realiza la reconstrucción 3D del pulmón, la arteria pulmonar y múltiples nódulos pulmonares en el espacio 3D. Este método puede describir de manera integral la distribución espacial y las características radiológicas de múltiples nódulos en todo el pulmón, proporcionando un medio simple y conveniente para evaluar el diagnóstico y el pronóstico de múltiples nódulos pulmonares.

Introducción

Los nódulos pulmonares múltiples tempranos, que son crecimientos pequeños y redondos en el pulmón, pueden ser benignos o malignos ^1,2,3. Aunque los nódulos pulmonares solitarios son más fáciles de diagnosticar y tratar, los pacientes con nódulos pulmonares múltiples tempranos enfrentan importantes desafíos de diagnóstico y tratamiento. Para desarrollar planes de tratamiento efectivos, es esencial identificar con precisión la distribución espacial, el tamaño, la ubicación y la relación con el tejido pulmonar circundante de estos nódulos en todo el pulmón ^4,5. Los métodos diagnósticos tradicionales tienen limitaciones para identificar con precisión los nódulos pulmonares múltiples tempranos.

Los avances recientes en la tecnología de procesamiento de imágenes médicas y los algoritmos de aprendizaje automático tienen el potencial de mejorar la precisión y la eficiencia de la detección y el diagnóstico tempranos de nódulos pulmonares. Se han propuesto diversos enfoques, como los métodos de reconocimiento de patrones basados en visión artificial y los métodos de visualización basados en la proyección de máxima intensidad (MIP)6,7,8,9,10. Sin embargo, estos métodos adolecen de limitaciones tales como falsos positivos, falsos negativos 11,12,13,14,15 y falta de descripciones macroscópicas y holísticas de la distribución y características espaciales de los nódulos pulmonares múltiples tempranos.

Para abordar estas limitaciones, este estudio propone un método de reconstrucción 3D de todo el pulmón que utiliza tecnología de procesamiento de imágenes médicas para extraer el contorno 3D del pulmón en el contexto de la exploración de tórax completo. A continuación, el método realiza la reconstrucción en 3D del pulmón, la arteria pulmonar y los nódulos pulmonares múltiples tempranos en el espacio 3D. Este enfoque permite una representación más completa y precisa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón.

El método propuesto implica varios pasos clave. En primer lugar, las imágenes médicas se importan al software de procesamiento de imágenes 3D y la región pulmonar se extrae mediante una técnica de segmentación basada en umbrales. Posteriormente, la región pulmonar extraída se separa de la pared torácica circundante y de las estructuras óseas de las vértebras torácicas. Los nódulos pulmonares múltiples tempranos y su relación con los vasos sanguíneos circundantes se reconstruyen en el espacio 3D utilizando algoritmos de proyección de máxima intensidad (MIP). Finalmente, se muestra el modelo 3D reconstruido del pulmón, la arteria pulmonar y los nódulos para su posterior análisis.

Este método tiene varias ventajas sobre los métodos existentes. A diferencia de los métodos tradicionales que se basan en imágenes 2D, este método utiliza el volumen 3D para proporcionar una representación más precisa y completa de los nódulos pulmonares múltiples tempranos. El método también supera las limitaciones de falsos positivos y falsos negativos asociados con los métodos de reconocimiento de patrones y los métodos de visualización MIP. Además, este método proporciona una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos pulmonares múltiples tempranos, lo cual es esencial para desarrollar planes de tratamiento efectivos.

El método propuesto tiene varias aplicaciones potenciales en el diagnóstico y tratamiento de los nódulos pulmonares múltiples tempranos. La identificación precisa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos puede ayudar en el diagnóstico y tratamiento tempranos del cáncer de pulmón. Además, el método se puede utilizar para monitorear la progresión de la enfermedad y evaluar la efectividad de los planes de tratamiento.

Los métodos de reconocimiento de patrones ^6,7,8 basados en la visión artificial se han mostrado prometedores en la identificación de nódulos pulmonares^, pero adolecen de limitaciones como falsos positivos y falsos negativos. Por otro lado, los métodos de visualización de MIP proporcionan una representación más precisa de los nódulos individuales, pero carecen de una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos múltiples tempranos. El método propuesto de reconstrucción 3D de todo el pulmón supera estas limitaciones y proporciona una representación más precisa y completa de los nódulos pulmonares múltiples tempranos.

La transformación de isovoxel^16,17 se refiere al proceso de conversión de imágenes 3D con diferentes tamaños de vóxeles en imágenes 3D con tamaños de vóxeles uniformes. En el campo del procesamiento de imágenes médicas, los volúmenes 3D suelen estar compuestos por vóxeles de diferentes tamaños, lo que puede dar lugar a problemas computacionales y de visualización. El propósito de la transformación isovoxel es abordar estos problemas mediante el remuestreo e interpolación de los vóxeles en el volumen 3D original, lo que da como resultado una nueva imagen 3D con tamaños de vóxeles consistentes. Esta técnica encuentra aplicaciones en diversos contextos médicos, incluido el registro, la segmentación y la visualización de imágenes. Por lo tanto, este estudio propuso un método de reconstrucción 3D de todo el pulmón que utiliza tecnología de procesamiento de imágenes médicas para extraer el contorno 3D del pulmón en el fondo de la exploración de tórax completo. El método proporciona una representación más precisa y completa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón. Este estudio contribuye al desarrollo de estrategias diagnósticas y terapéuticas más precisas y efectivas para los pacientes con nódulos pulmonares múltiples tempranos.

Protocolo

Para el presente estudio, se obtuvo la autorización ética del Comité de Ética del Hospital Dongzhimen, afiliado a la Universidad de Medicina China de Beijing (DZMEC-KY-2019.90). En este caso específico, se proporciona una descripción metódica del enfoque de la investigación, esbozando un caso de una paciente femenina de 65 años con múltiples nódulos pulmonares. Esta paciente dio su consentimiento informado para su diagnóstico a través de la modelación digital y autorizó el uso de sus datos con fines de investigación científica. La función de reconstrucción del modelo se deriva de una herramienta de software disponible en el mercado (véase la Tabla de materiales).

1. Preparación de datos y transformación de isovoxel

1. Preparación de datos DICOM (Digital Imaging and Communications in Medicine) y propiedades de los datos
   NOTA: La variación en los parámetros permanece relativamente poco afectada por la metodología de investigación.
   1. Copie los datos DICOM del paciente en un directorio de trabajo definido.
   2. Con el explorador de archivos, examine cada directorio de archivos para identificar la secuencia de imágenes con el mayor número de capas de escaneo para el análisis.
   3. Emplee la función Dicominfo en MATLAB proporcionando archivos DICOM como parámetros de entrada. Esto le permitirá extraer parámetros esenciales, como el grosor de los sectores y el espaciado de píxeles, directamente en el entorno de MATLAB.
      NOTA: Estos parámetros tienen una importancia significativa en la configuración de la velocidad de visualización para el volumen 3D. En el caso del conjunto de datos utilizado en este estudio, el grosor del corte midió 1 mm, el espaciado de píxeles equivalió a 0,7188 mm y se escanearon un total de 387 capas.
2. Clasificación correcta de los datos escaneados
   NOTA: La secuencia de cada imagen debe ordenarse para la construcción del volumen.
   1. Recupere los datos de ubicación de cada imagen utilizando la función Dicominfo . Acceda a la información de ubicación haciendo referencia a la información. SliceLocation dentro del espacio de trabajo de MATLAB.
   2. Guarde los datos de ubicación en una variable mediante la función SliceLocation y genere una gráfica para ella (Figura 1).
   3. Mejore la gráfica añadiéndole un punto de datos utilizando el botón Sugerencias de datos situado en la esquina superior derecha de la interfaz gráfica de usuario. Este punto de datos debe marcar la ubicación máxima de la secuencia normal, que corresponde a la ubicación más alta en la imagen del paciente (Figura 1).
   4. Organice todas las imágenes clasificándolas y luego extraiga las imágenes que van desde la primera ubicación hasta la ubicación máxima. Para ello, invoque la función VolumeResort .
   5. Proteja los datos de volumen, que constan de 512 píxeles por 512 píxeles por 340 capas, de las imágenes válidas junto con su índice ordenado. Esta información será valiosa para futuras referencias, en particular en el contexto de la identificación de nódulos importantes.
3. Transformación de Isovoxel
   NOTA: La transformación 3D de Isovoxel permite el procesamiento posterior para mantener la misma escala de visualización en todas las dimensiones.
   1. Examine la escala tridimensional de un volumen 3D, que es de 512 píxeles x 512 píxeles x 340 capas, utilizando la función de tamaño en Matlab.
   2. Para ver el volumen 3D (Figura 2) utilizando la función de comando Slice_View , registre el rango de escaneo de secuencia que contiene los pulmones de 60 a 340. A continuación, basta con utilizar el comando V1=V0(:,:,60:340) para obtener un volumen 3D que contenga todos los datos de todo el pulmón. El tamaño de V1 es de 512 píxeles x 512 píxeles x 281 capas.
   3. Utilice la función de comando dicominfo de MATLAB para obtener el grosor de corte de la secuencia de imágenes, que es de 1 mm, y el espaciado de píxeles es de 0,7188. Calcule el número de ejes z para la transformación isovoxel con el comando: round (281 x 1/0.7188). El número de capas para la transformación de isovoxel debe ser 391.
   4. Utilice la función de comando imresize3 de Matlab para realizar la transformación isovoxel en V1. Ejecute el script usando el comando V2=imresize3(V1, [512, 512, 391]). A continuación, utilice la función 3D_Slice_View para ver el volumen 3D transformado en isovoxel (Figura 3).

2. Eliminación de la interferencia sonora causada por los equipos de tomografía computarizada (TC)

NOTA: En la Figura 2, la señal de alta intensidad que representa la camilla del paciente del equipo de TC es visible, lo que puede interferir con la segmentación de la imagen. Para eliminar esta interferencia, se requiere un diseño de filtro espacial.

1. Utilice el botón Sugerencias de datos de la figura 2 para agregar puntos de datos continuos dentro de la interfaz interactiva. Esto permitirá crear una línea que conecte estos puntos, excluyendo efectivamente la camilla del paciente. A continuación, haga clic con el botón derecho en Data Tips y seleccione Export Cursor Data to Workspace (Exportar datos de cursor al espacio de trabajo) para exportar el límite de referencia para el filtrado espacial al espacio de trabajo de MATLAB (Figura 3). La matriz de dispersión de límites en este caso se denomina 'CI'.
2. Invoque la función Noise_Clean para aplicar el filtrado espacial a V2, utilizando el parámetro de entrada 'CI' del espacio de trabajo. Esta operación producirá un volumen 3D que elimina la señal de interferencia del equipo de TC. Por último, utilice la función de comando Slice_View para visualizar el volumen resultante, como se muestra en la figura 4.

3. Extracción del contorno pulmonar

1. Comience seleccionando un sector para que sirva como plantilla dentro de la GUI que se muestra en la Figura 4. Por ejemplo, elija la imagen número 232 para el diseño de segmentación de imágenes y asígnela a una variable 'I' usando el comando I=V2(:,:,232). A continuación, abra la interfaz gráfica de usuario de MATLAB Image Segmenter ejecutando el comando imageSegmenter(I), como se muestra en la Figura 5.
2. En la figura 5 se muestra una serie de herramientas de segmentación de imágenes. Para comenzar, seleccione la herramienta Clúster automático en la barra de herramientas de la parte superior y ejecute el comando haciendo clic con el botón izquierdo del ratón. La imagen se dividirá automáticamente en dos clases. Dado el proceso de eliminación de ruido realizado en el paso 2.2, la segmentación de imágenes en esta etapa se vuelve relativamente sencilla.
3. A continuación, haga clic en el botón Mostrar binario en la esquina superior derecha para mostrar la imagen en binario en blanco y negro. En este punto, la región pulmonar aparecerá negra. Para hacer que la región pulmonar sea blanca, seleccione el botón Invertir máscara en la barra de herramientas superior y ejecute el comando haciendo clic con el botón izquierdo del ratón.
4. Para eliminar el color blanco fuera del área pulmonar, seleccione el botón Borrar bordes en la barra de herramientas superior y ejecútelo haciendo clic con el botón izquierdo del mouse. Después de este paso, solo quedará el área pulmonar de color blanco. Sin embargo, cualquier sombra negra que quede dentro del área pulmonar en este punto debe rellenarse. Para ello, seleccione el botón Rellenar agujeros en la barra de herramientas y el resultado después de hacer clic en el botón se muestra en la Figura 6.
5. Todos los pasos involucrados en la segmentación de imágenes pulmonares se presentan en la interfaz gráfica de usuario de la Figura 6 en la esquina inferior izquierda. Al hacer clic en el botón Exportar en la esquina superior derecha, guarde estos pasos automatizados como una función para la segmentación de la región pulmonar de procesamiento por lotes. En el Editor de secuencias de comandos emergente, haga clic en el botón Guardar para guardar la función en el directorio de trabajo actual.

4. Reconstrucción .3D para todo el pulmón con múltiples nódulos pulmonares

NOTA: Tomar el producto escalar de la imagen de segmentación pulmonar de cada imagen con la imagen original equivale a realizar un filtrado espacial 3D en el volumen, filtrando eficazmente las señales de interferencia fuera de los pulmones y obteniendo la estructura 3D de los pulmones.

1. Inicie la función 3Dlung_Volume dentro del espacio de trabajo de MATLAB.
   NOTA: Esta función lleva a cabo la segmentación de imágenes en cada imagen utilizando la salida del paso 3.5. A continuación, ejecuta una operación de producto de puntos entre la máscara pulmonar binaria y la imagen original para generar un nuevo volumen 3D que contiene exclusivamente tejido pulmonar. En la interfaz gráfica de usuario (Figura 7) que aparece después de que se completa la función, se pueden visualizar y realizar operaciones de proyección de intensidad máxima (MIP) en todo el volumen pulmonar 3D.
2. Dentro de la interfaz gráfica de usuario, busque el primer menú desplegable en la esquina superior derecha. Seleccione Proyección MIP y, a continuación, elija el mapa de colores de chorro de las opciones de Mapas de colores integrados que aparecen a continuación. A continuación, en el menú desplegable ubicado en la esquina superior derecha de la cuarta vista (Vista de volumen 3D), seleccione Maximizar. Esta acción producirá un volumen 3D de todo el pulmón (Figura 8) que se puede observar desde cualquier ángulo, mover y manipular según sea necesario.
   NOTA: En la sección de interacción hombre-computadora ilustrada en la Figura 8, se puede ajustar el ángulo de visión libremente manteniendo presionado el botón izquierdo del mouse y moviéndolo. Desplazar el botón central del ratón permite acercar o alejar la imagen.
3. Para operaciones avanzadas de mejora de contraste y color, utilice el panel de control en el lado derecho de la GUI.

5. Centrarse en el examen de los nódulos pulmonares dominantes

NOTA: En el espacio 3D (Figura 8), el área de la lesión dominante entre los nódulos pulmonares múltiples se hace claramente visible. El número, el tamaño y la concentración de estos nódulos son características críticas de la lesión dominante, lo que ofrece información valiosa para la evaluación de la enfermedad.

1. Una vez más, invoque la función Slice_View , pero esta vez ingrese el volumen 3D de todo el pulmón obtenido en el paso 4.2. Dentro de la interfaz gráfica de usuario resultante (Figura 9), utilice la barra de desplazamiento inferior para navegar hasta la región donde se encuentran los nódulos pulmonares dominantes, que abarca las exploraciones 48 a 70.
2. Proceda llamando a la función 3Dlung_Horizon para realizar la reconstrucción 3D de la región de interés (ROI) que abarca las secciones 48 a 70 del volumen 3D de todo el pulmón. Esta acción generará una interfaz gráfica de usuario adaptada para visualizar nódulos pulmonares, como se ilustra en la Figura 10. Dentro de esta interfaz gráfica de usuario, se pueden explorar las características detalladas de la lesión desde varios ángulos.

Resultados

En la etapa de preprocesamiento de datos, la clasificación de datos DICOM debe ser el primer paso (Figura 1) para garantizar la secuencia de escaneo correcta para cada capa durante la reconstrucción 3D. A continuación, se realiza una transformación isotrópica para garantizar la relación de aspecto correcta del volumen 3D (Figura 2). Posteriormente, se aplica un filtrado espacial al volumen 3D original (Figura 3) para eliminar las se...

Discusión

Esta investigación presenta un enfoque único para crear una reconstrucción tridimensional completa (3D) de todo el pulmón, empleando técnicas avanzadas de procesamiento de imágenes médicas para delinear la forma 3D del pulmón en medio del contexto de un escáner de tórax completo. Esta técnica ofrece una descripción más precisa y completa de la disposición espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón. Este estudio hace una valiosa contribución para mejorar la precisión y...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
MATLAB	MathWorks	2022B	Computación y visualización
Herramientas para modelar	entropía inteligente	pulmonarNodule V1.0	Beijing Entropía inteligente Ciencia & Technology Co Ltd. Modelado para la fusión CT/MRI